《Neurochemistry International》：LMSNet: Variable-Aware Multi-Scale Framework for Multivariate Time Series Forecasting
编辑推荐：
基于频域分析（frequency-domain analysis）提出了一种变量级（variable-level）多尺度建模方法。LMSNet有效解决了全局信息丢失以及序列内（intra-series）和序列间（inter-series）依赖关系建模不一致的问
基于频域分析（frequency-domain analysis）提出了一种变量级（variable-level）多尺度建模方法。LMSNet有效解决了全局信息丢失以及序列内（intra-series）和序列间（inter-series）依赖关系建模不一致的问题。与最先进（state-of-the-art, sota）基线相比，LMSNet以高计算效率实现了优越性能。
多元时间序列预测（Multivariate Time Series Forecasting, MTSF）在复杂网络系统（如基础设施异常监测、天气指数预测、股票价格与交通流预测）中具有广泛应用。然而，现有方法面临三大挑战：一是采用统一尺度窗口（如相同卷积核或池化尺寸）对所有变量进行特征提取，忽略了变量间变化速率的固有差异，导致显著特征丢失；二是多数多尺度模型仅关注序列内（intra-series）时间模式，对变量间依赖关系（inter-variable dependencies, IVD）建模不足或仅局限在单层，造成时间模式与依赖关系建模的不一致性；三是过度聚焦局部多尺度特征，忽视了全局信息的建模，限制了模型对整体趋势的把握。为解决上述问题，研究人员提出LMSNet（variable-aware multi-scale network），一种基于频域分析的变量级多尺度框架，旨在同时捕捉全局与局部特征，并实现序列内与序列间依赖的一致性建模。该研究在8个真实多变量数据集（涵盖温度、金融、天气、电力、交通等领域）上进行验证，结果表明LMSNet不仅优于现有最先进（state-of-the-art, sota）基线，还在内存占用与训练时间上实现了更优的权衡。论文发表在《Neurochemistry International》。
**主要关键技术方法（不超过250字）**
研究人员采用以下核心方法：1）基于频域分析（frequency-domain analysis）的变量级尺度分配：通过计算每个变量的傅里叶分解熵，推断其变化速率，并据此将变量分入不同尺度组，为每个变量分配个性化分析窗口（如大尺度窗口用于缓慢变化的变量，小尺度窗口用于快速变化的变量），从而避免统一尺度导致的特征丢失。2）全局-局部特征融合与稀疏图（sparse graph）建模：在提取多尺度局部特征后，将其与全局特征（通过全局平均池化获得）融合，并利用稀疏图结构显式建模变量间依赖关系，同时在同一层内同步进行时间建模与依赖建模，消除不一致性。3）动量更新（momentum updating）指导图结构优化：利用浅层图结构（反映原始变量间相关性）作为动态先验，通过动量更新机制引导深层图结构的优化，避免在高维抽象特征中学习虚假相关性。样本来源为8个公开多变量数据集（ETT子集、Exchange、Weather、ECL、Traffic），均按iTransformer方法预处理。
**研究结果（保留每个小标题）**
**4.1 总体性能对比**
通过在8个数据集（ETTh1、ETTh2、ETTm1、ETTm2、Exchange、Weather、ECL、Traffic）上的实验，LMSNet在预测长度（F）为96、192、336、720的设置下，均取得优于iTransformer、TimeMixer、MSCformer等sota基线的均方误差（MSE）和平均绝对误差（MAE），验证了变量级多尺度建模与全局-局部融合的有效性。
**4.2 消融研究**
去除变量级尺度分配（改为统一尺度）后，模型性能显著下降，尤其在变量变化速率差异大的数据集（如Weather）上，证实了该模块对保留显著特征的重要性。去除全局特征融合或动量更新后，性能也出现退化，说明全局信息与动态图引导对准确建模变量间依赖关系不可或缺。
**4.3 特征可视化**
对变量级尺度分配前后的特征图进行可视化，发现统一尺度下部分变量（如变量1、3、4、5）的显著特征被压制，而变量级尺度分配后这些特征得以恢复，验证了频率分析引导的个性化窗口能有效保留局部关键信息。
**4.4 计算效率分析**
LMSNet在训练时间与内存占用上优于多数GNN（图神经网络）类方法，同时保持与轻量模型（如TimeMixer）相当的计算开销，展示了良好的可扩展性。
**总结讨论与结论**
讨论部分指出，LMSNet通过变量级多尺度建模从根本上解决了现有方法中统一尺度导致的信息损失问题；同时，全局-局部特征融合与同步的序列内/序列间建模克服了不一致性；动量更新机制则提升了深层图结构的鲁棒性。未来工作可探索将变量级尺度分配应用于其他时序分析任务（如异常检测）。结论部分（翻译自原文）：本文介绍了LMSNet，一种用于MTSF的多尺度框架，通过全局与局部特征融合来建模变量间依赖关系。LMSNet解决了现有多尺度方法中的一个关键局限：对所有变量分配统一尺度窗口导致的不合理建模。此外，LMSNet通过融合全局与局部特征并同时建模序列内与序列间依赖，缓解了全局信息丢失与不一致建模的问题。在8个真实数据集上的实验表明，LMSNet在性能和计算效率上均优于最先进基线。
